——从腾讯 PCG 的知识库实践,看企业 AI 能力如何从“能查资料”走向“能支撑任务”
▼
很多企业做 AI 知识库,第一反应是把文档上传进去。
制度、手册、代码规范、故障记录、产品说明、需求文档、历史问答,先统一收进一个库,再接上向量检索和大模型问答。这样做当然有价值,它能让员工少翻一些资料,让新人少问一些重复问题,也能让客服、研发、运营、数据分析等场景更快拿到答案。
但当 AI 从“回答问题”走向“执行任务”,普通知识库很快会遇到第二个问题:资料能被查到,并不等于知识能被正确使用。
企业真正需要的,不只是一个能搜索文档的系统,而是一套能让 AI 理解业务语境、调用组织经验、遵守规则边界、完成任务拆解、记录反馈结果的知识基础设施。否则,知识库只是一个更聪明的资料柜,离企业智能体的工作底座还差很远。
在第 9 届 AI+研发数字峰会(AiDD 2026 上海站)中,腾讯 PCG 应用效能技术部刘琮玮带来的《AI 原生知识库及其实践与应用》,正好把这个问题讲得很完整。
这场分享的核心价值,不是介绍“怎么搭一个 RAG 系统”,而是提出了一个更靠近企业落地的问题:当 Agent 框架、模型能力和业务场景一起向前演进,知识库必须从资料存储,升级为 AI 原生应用能力的一部分。
图 1:刘琮玮《AI 原生知识库及其实践与应用》:AI 技术演进推动知识库从资料存储走向 Agent 能力底座(PPT 第 7 页)
*▍为什么现在必须重新谈知识库*
过去很多企业谈知识库,重点是“人怎么查资料”。
知识库里有没有文档,目录是不是清楚,搜索是不是好用,内容是不是及时更新,这是传统知识管理最关心的事情。到了大模型阶段,知识库的作用被进一步放大:模型需要企业私有知识,RAG 需要高质量语料,Agent 需要稳定上下文。于是,知识库从后台资料系统,被推到了 AI 应用的前台。
但刘琮玮这场分享提醒我们,真正的变化不只是“知识库更重要了”,而是 AI 的工作方式变了。
2024 年,很多团队还在探索大模型应用场景;2025 年,Agent 框架和框架化方案开始普及;到了 2026 年,企业更关心的是差异化落地,以及通用 Agent 能不能真正成为可用生产力。这个演进意味着,AI 不再只是回答一句话,而是要理解任务、选择工具、查询知识、组织步骤、执行动作,并对结果负责。
这时,知识库不再只是“被检索的材料”,而是 AI 和企业之间的对齐层。
企业里的很多知识并不天然适合模型使用。它可能藏在流程中,藏在历史缺陷中,藏在工程规范中,藏在专家经验中,也可能散落在多个系统里。人能凭经验理解这些隐含语境,模型却需要显式上下文、关系、规则和边界。
所以,AI 原生知识库首先要解决的不是“存不存得下”,而是“能不能让 AI 对齐组织的真实知识”。
图 2:刘琮玮《AI 原生知识库及其实践与应用》:知识库承担人类知识与 AI 能力之间的对齐任务(PPT 第 8 页)
*▍RAG 只是中间阶段,不是终点*
很多企业把 AI 知识库等同于 RAG。
这个理解有现实原因。传统数据存储解决的是“资料在哪里”;RAG 进一步解决“模型回答时能不能引用企业资料”。对大多数团队来说,这已经比过去的搜索系统前进了一大步。
但从刘琮玮的分层来看,知识库发展至少经历了三个阶段。
第一阶段是传统数据源的延伸。它更像数据加工和索引系统,重点是把资料收进来、整理好、让人能查。
第二阶段是通用 RAG 范式。它把大模型接入知识检索链路,让知识库成为问答和生成任务的外部上下文来源。
第三阶段才是 AI 原生知识库。它不是单纯为问答服务,而是面向 AI 应用和 Agent 任务设计的知识计算体系。它要支持知识生产、知识处理、知识消费和知识应用,也要支撑不同场景下的查询、推理、组合和反馈。
这一区分很关键。
如果知识库只是 RAG,它的主要评价标准往往是召回率、答案相关性、引用是否命中。但如果知识库是企业智能体的基础设施,评价标准就会变成:它能否让 Agent 读懂业务任务,能否识别正确的知识路径,能否把知识转成可执行步骤,能否在失败后沉淀经验,能否在多场景里稳定复用。
换句话说,RAG 解决的是“模型回答时参考什么”,AI 原生知识库要解决的是“AI 做事时依靠什么”。
图 3:刘琮玮《AI 原生知识库及其实践与应用》:知识库从传统数据存储、通用 RAG 走向 AI 原生知识库(PPT 第 9 页)
刘琮玮把 AI 原生知识库的能力拆成了更完整的链路:知识生产、知识处理、知识消费和知识应用。
知识生产关注知识从哪里来,如何从业务材料、历史记录、代码、缺陷、规范和人工经验中生成可用资产。
知识处理关注知识如何被清洗、抽取、结构化、关联和增强,避免“所有文档都进库,但 AI 仍然不知道该用哪一段”。
知识消费关注 AI 如何检索、召回、理解和组合知识,而不是只返回一组相似片段。
知识应用关注知识如何进入真实任务,服务研发、质量、客服、运营、数据分析等具体场景,并把使用结果反馈回系统。
这也是“AI 原生”四个字的含义:不是把传统知识库外面包一层大模型,而是从一开始就按 AI 应用的使用方式来设计知识库。
图 4:刘琮玮《AI 原生知识库及其实践与应用》:AI 原生知识库需要覆盖知识生产、处理、消费和应用能力(PPT 第 10 页)
*▍没有资产底座,就不会有稳定智能*
企业 AI 应用最容易高估模型,低估知识资产。
很多项目的早期演示效果不错,是因为问题范围小、样本干净、场景边界清楚。一旦进入真实业务,系统就会遇到更复杂的知识来源:规范文档、需求记录、缺陷工单、接口说明、业务流程、测试用例、历史问答、代码仓库、组织制度、专家经验。
这些材料如果只是堆在一起,AI 并不会自动理解它们的优先级、时效性、适用范围和相互关系。知识资产底座的第一件事,是建立全局视野。
刘琮玮分享中提到的“筑基石”,就是从全局视野构筑资产底座。PPT 中列出了 17 类知识类型、55w+ 知识量、4.5w+ 月度活跃知识量,并将知识资产拆成数据类资产、规则规范类资产和关系类资产。
这些数字背后有一个重要判断:AI 原生知识库不是先问“我要接哪个模型”,而是先问“组织到底有哪些…